當你第一次嘗試騎自行車時很困難,但學會開車時卻容易得多,儘管兩者都需要平衡、方向控制和速度判斷。普林斯頓大學神經科學家蒂姆·布希曼和西娜·塔法佐利在Nature發表的研究揭示了這種學習遷移的神經機制:大腦前額葉皮層會將認知任務分解為可重複使用的模塊,就像樂高積木一樣在不同場景中靈活組裝。
通過記錄恆河猴在視覺分類任務中的神經活動,研究團隊發現某些特定的神經網路激活模式會在不同任務間反覆出現——區分顏色的神經迴路、控制眼動方向的神經迴路可以獨立激活,也能按需組合。這種組合性認知架構解釋了生物智能的核心優勢:快速適應新情境而不丟失舊技能,而這恰恰是當前人工智慧系統最薄弱的環節。
實驗設計巧妙地揭示了模塊復用機制。研究者讓猴子完成三種視覺判斷任務:判斷屏幕上的彩色斑點更像兔子還是字母T,或者更偏紅色還是綠色,然後通過注視四個方向之一來表達答案。
關鍵在於任務間的部分重疊——兩個顏色任務共享相同的色彩判斷規則但要求不同的眼動響應,而一個顏色任務和一個形狀任務則需要不同的感知判斷但共享相同的眼動模式。這種設計使研究者能夠分離出獨立的認知組件:感知判斷模塊和運動輸出模塊。
神經記錄數據顯示,前額葉皮層的活動呈現清晰的模塊化結構。當猴子執行需要顏色判斷的任務時,一組特定的神經元激活模式始終出現,無論後續需要什麼樣的眼動;當任務切換到形狀判斷時,這個顏色判斷模塊被抑制,形狀判斷模塊被激活,但運動輸出模塊保持不變。
通過降維分析和神經狀態空間重構,研究團隊量化了不同任務間的神經表徵重疊程度,證實大腦確實在重用而非重建認知功能。
災難性遺忘:人工智慧的阿喀琉斯之踵
這一發現直指當前AI技術最根本的缺陷。IBM對災難性遺忘的技術定義是:神經網路在學習新任務時系統性地覆蓋舊任務的權重參數,導致先前掌握的技能急劇退化。一個訓練識別貓狗的模型,如果繼續訓練識別鳥類,往往會忘記如何識別貓狗。這種現象在深度學習領域普遍存在,嚴重限制了AI系統的持續學習能力。
谷歌研究院在2025年11月提出的嵌套學習架構試圖解決這一問題。該方法借鑒大腦神經可塑性的多時間尺度特徵:一些神經連接變化迅速以適應新信息,另一些變化緩慢以保存長期記憶。
嵌套學習通過在模型的不同層次設置不同的學習速率,使快速變化的參數處理新任務,緩慢變化的參數維護核心知識。清華大學鍾毅和朱軍團隊的腦啟發持續學習方法則採用不同策略,通過模擬大腦記憶鞏固過程中的突觸可塑性,選擇性地保護重要參數。
普林斯頓大學的研究人員發現，靈長類動物的前額葉皮層會重複利用模塊化的「認知樂高積木」來解決相關任務，這賦予了生物大腦人工智慧目前尚不具備的靈活性。這一發現有望幫助改進人工智慧系統，使其在學習新技能的同時保留舊技能。圖片來源：丹·瓦哈巴（普林斯頓大學）改編自「大腦輪廓2」（Littleolred，CC0 1.0，freesvg.org）和「樂高積木」（Benjamin D. Esham，CC BY-SA 4.0，Wikimedia Commons）。
但這些方法本質上仍是修補,而非根本解決方案。普林斯頓研究揭示的模塊化架構提供了更根本的思路:不是試圖讓單一神經網路同時記住所有任務,而是設計能夠動態組裝功能模塊的架構。這要求AI系統具備元認知能力——理解哪些子功能可以跨任務共享,如何分解複雜任務,以及如何在需要時調用合適的模塊組合。
布希曼在接受採訪時解釋:"最先進的AI模型在單個任務上可以達到人類甚至超人類的水平,但它們在學習和執行許多不同的任務時卻舉步維艱。我們發現,大腦之所以具有靈活性,是因為它可以在許多不同的任務中重複利用認知組件。"這種差異不僅是量的,更是質的——當前深度學習範式將任務視為從輸入到輸出的端到端映射,而生物大腦採用分層模塊化處理,每個模塊執行可重用的計算步驟。
Nature子刊最近發表的綜述指出,動物學習新任務時神經表徵的變化遵循可預測的模式:早期學習階段涉及廣泛的神經重組,隨著技能自動化,表徵逐漸穩定並壓縮為更緊湊的形式。這種壓縮過程提取了任務的抽象結構,使其更容易與其他任務組合。相比之下,人工神經網路在訓練過程中往往形成糾纏的高維表徵,不同任務的特徵混雜在一起,導致新學習必然干擾舊知識。
從認知神經科學到可解釋AI
塔法佐利強調了研究的臨床意義:"許多神經和精神疾病,包括精神分裂症、強迫症和某些類型的腦損傷,都會使患者難以在新的情境中運用已有的技能。"前額葉皮層損傷患者表現出嚴重的認知靈活性障礙——他們可能在特定條件下完成任務,但稍微改變任務要求就完全無法適應。這些臨床觀察支持前額葉皮層在模塊化認知中的核心作用。
實驗中還觀察到選擇性抑制現象。當猴子執行形狀判斷任務時,編碼顏色信息的神經元活動被主動壓制;切換到顏色任務時,形狀編碼神經元被抑制。這種門控機制防止無關信息干擾當前任務,類似於工作記憶中的注意力控制。塔法佐利解釋:"大腦的認知控制能力是有限的。你必須壓縮某些能力,才能專註於當前重要的能力。"這種動態資源分配策略在AI中很少實現,大部分模型總是激活全部參數。
從計算效率角度看,模塊化架構具有明顯優勢。完整的端到端網路參數量巨大,推理時需要計算所有層的輸出。如果能夠識別和重用功能模塊,只需激活任務相關的子網路,可顯著降低計算成本。麻省理工學院和斯坦福大學的研究者正在探索模塊化神經網路架構,通過路由機制動態選擇計算路徑,在多任務學習中取得初步成功。
但實現真正的模塊化AI面臨技術挑戰。首先是模塊發現問題:如何自動識別哪些神經元群體構成可重用的功能單元?其次是組合泛化:如何保證模塊在新組合中仍能正常工作?再次是學習效率:模塊化系統需要更複雜的訓練程序,可能增加樣本需求。PNAS最近發表的研究對比了人類和神經網路在結構化學習中的表現,發現人類能夠從少量示例中提取抽象規則並泛化到新情境,而神經網路需要大量訓練數據才能達到類似能力,即使達到也缺乏靈活性。
理論神經科學家提出的認知架構試圖彌合這一差距。這些模型結合符號推理和神經網路,用符號系統表示任務結構和模塊組合規則,用神經網路實現具體計算。腦啟發的neuro-symbolic AI正成為研究熱點,它承認單純的端到端學習無法實現人類級別的認知靈活性,必須引入顯式的結構化表徵和組合操作。
普林斯頓研究為這一方向提供了重要的神經科學證據。它不僅證明模塊化認知在生物大腦中確實存在,還揭示了實現機制:前額葉皮層維護任務相關的神經子空間,通過門控機制選擇性激活和抑制不同子空間,實現靈活的功能組合。這種發現可直接指導AI架構設計——不是讓單一網路學習所有任務,而是訓練專門化的功能模塊,再設計元控制器決定如何組合這些模塊。
研究團隊已開始將這些原理應用於機器人控制。在複雜環境中導航、操作物體、與人交互都涉及多個子任務的組合。傳統方法訓練單一策略網路,難以泛化到新場景。模塊化方法訓練獨立的感知、規劃、控制模塊,根據情境動態組裝,展現出更好的適應性。布希曼表示:"從長遠來看,了解大腦如何重用和重組知識,可以幫助我們設計出能夠恢復這一過程的療法。"這一願景不僅指向更強大的AI,也指向治療認知障礙的新手段。
腦機介面技術的進展使得直接觀察和調節認知模塊成為可能。如果能夠識別特定患者哪些認知模塊受損或功能失調,或許可以通過神經調控技術恢復其功能,或訓練其他腦區代償受損功能。這種精準神經康復尚處於早期階段,但普林斯頓研究為其提供了理論基礎和實驗範式。認知靈活性不是單一的腦功能,而是多個模塊協同和動態組合的結果,治療也應針對具體的模塊化缺陷。
